并行图像配准算法在幸运成像中的应用

借助图形处理器(GPU)在通用计算领域的优势,解决图像配准面临的处理速度问题。研究了基于GPU加速处理图像配准的算法;根据Fourier-Mellin变换的图像配准算法原理,提出相应的GPU并行设计模型;利用计算统一设备架构的软硬件体系架构,实现Fourier-Mellin变换算法向GPU的移植。实验表明,运用所提出的并行方案完成分辨率1 024×1 024像素的图像配准耗时22ms,有效提升了图像配准效率,增强了幸运成像技术工程应用的可能性。     

模糊规则自适应学习的弹性图像配准

针对弹性图像配准的特点和挑战，基于模糊逻辑推理规则构建了一个具有自适应功能的弹性变换模型．进一步地，提出了一种具有自适应学习功能的自动弹性图像配准方法．通过对医学图像进行配准试验来测试其性能，提出的新弹性图像配准算法显示出了很好的性能．     

基于Fourier-Mellin变换的医学图像配准算法

针对基于互信息配准广泛应用于医学图像配准,存在计算量非常大、耗时长,受初始旋转和平移参数影响较大而使目标函数陷入局部极小等问题,采用Fourier-Mellin变换,先计算出2幅图像功率谱的反Fourier变换得到所对应的峰值位置,从而求得它们的相对平移,对于图像幅度谱用对数-极(Log-Polar)变换求出相对旋转角度,从而获得2幅图像配准参数,最后对图像进行配准.RTMT虽然能快速配准,但是配准精度有待提高.将RTMT和RMI结合在一起进行配准,即将RTMT获得的旋转角和平移量作为RMI的初始值,再应用RMI配准.这种方法不但计算量少而且运算简单,得出的结果精度高并且配准速度快,对于单模态图像配准和多模态配准都适用,还解决了容易陷入局部最优的问题.     

模糊规则自适应学习的弹性图像配准

针对弹性图像配准的特点和挑战,基于模糊逻辑推理规则构建了一个具有自适应功能的弹性变换模型.进一步地,提出了一种具有自适应学习功能的自动弹性图像配准方法.通过对医学图像进行配准试验来测试其性能,提出的新弹性图像配准算法显示出了很好的性能.     

基于互信息非刚性医学图像配准的方法

提出了一种基于互信息的对非刚性三维医学图像进行弹性配准的方法．用２Ｄ联合直方图法计算两幅图像重叠部分的图像灰度之间的互信息,使之最大化,从而实现两图像之间的全局仿射配准．然后将两幅图像的重叠部分均分成互为重叠的体积子块,再最大化每对对应体积子块图像灰度之间的互信息,实现每对对应子块的局部刚体配准,并将每个子块的中心作为一一对应的控制点．利用这些均匀分布的控制点对结合薄平板样条插值法实现图像的全局非刚性弹性配准．实验结果表明,该算法可以有效地实现三维图像全局弹性配准,但计算时间较长．     

基于灰度值相应概率的非刚性图像配准

提出了一种基于灰度值相应概率的，对多模态非刚性医学图像进行全局弹性配准的快速算法．通过两幅图像重叠部分的２Ｄ灰度联合直方图，计算灰度值相应概率（ＧＶＣＰ），使用遗传算法最优化ＧＶＣＰ实现两幅图像之间平移和旋转的全局刚体配准．将两幅图像的重叠部分均匀地划分成互为重叠的体积子块，再最大化每对对应体积子块图像灰度之间的ＧＶＣＰ，实现每对对应子块之间平移的局部刚体配准，并将每子块的中心作为一一对应的控制点．利用这些均匀分布的控制点对结合薄平板样条插值法实现图像的全局非刚性弹性配准．     

一种改进的多模图像自动配准方法

针对目前不同尺寸的多模态图像自动配准方法存在速度较慢的问题,提出一种改进的多模态图像的自动配准方法。对两幅不同尺寸的多模态图像进行小波变换,以分解后得到的概貌图像为待配准图像,以对齐度为适应度函数,利用遗传算法进行迭代搜索,寻找两幅多模态图像的最佳配准位置。实验结果表明,该方法能实现不同尺寸的多模态图像的自动配准,速度较快,准确性高,鲁棒性强。     

加快寻优的医学图像互信息配准算法的研究

为了实现多模态医学图像的配准融合,提出一种加快寻优的医学图像互信息配准算法实现CT和MR图像的配准.该算法首先使用形态学方法提取图像的边界,再用力矩主轴法算出浮动图像进行刚性变换的初步平移量和旋转量,然后以此作为互信息法的初始参数进行寻优,找出最佳变换,实现CT和MR医学图像的自动刚性配准.该方法计算简单、运算量少.利用该配准算法实现融合的结果图像经过临床医生检验,认为达到临床诊断的要求,能辅助临床医生对疾病做出正确的诊断.     

基于粒子群优化算法的多模态医学图像刚性配准

提出了一种基于轮廓特征点及利用PSO(粒子群优化)求解多模态医学图像自动配准新方法．首先采用数学形态学中腐蚀和膨胀算法对图像进行预处理,用区域生长法提取图像的边缘;再用subtractive聚类算法提取出轮廓特征点,将两个特征点集的均方根极小值作为配准准则,然后用PSO算法求解空间变换参数．该算法适用于多模态医学图像配准,与其他算法相比,PSO算法具有操作方便、可靠性好、不易陷入局部极值等优点。     

一种新的基于投影矩的三维图像配准方法

提出一种投影矩的概念，并将其用于三维医学图像的配准．与传统的几何矩相比，投影矩不仅可以完各地描述图像的特征，而且计算量较小，因而可以将其用于三维图像的实时配准．选取待配准的2幅三维图像若干阶投影矩差的平方和为目标函数，采用Powell方法求取最优解，得到配准结果．将方法应用于一些模拟和实际数据，获得了较高精度的实验结果；并且缩短了整个计算过程的时间．这表明投影矩在多模态医学图像的配准和融合等方面具有潜在的实用价值．     

基于CPU_MIC_GPU异构架构的Roberts算法优化探究

在高分辨率图像日益普及的情况下,Roberts边缘检测的处理速度急需进一步提高。在CPU表现不尽如人意的情况下,基于CPU/GPU和CPU/MIC的高度并行运算的研究愈加深入。在分析Roberts算法特点的基础上,将能并行的部分移植到GPU和MIC上进行。完成基于CPU/GPU和CPU/MIC的异构架构上的Roberts算法实现,并针对CPU/MIC上将程序进行向量化优化。实验结果表明,在相同单精度浮点运算能力下,GPU处理低分辨率图像的速度更快、加速比更高,但处理高分辨率图像时MIC的加速比最高为23.52,高于GPU的21.43。     

求解矩阵特征值的GPU实现

提出了求解矩阵特征值的GPU(图形处理器)实现方法,分别用基于GPU的幂法和QR法求解矩阵的最大特征值和所有特征值。基于GPU的计算与基于CPU的计算相比较,证实其计算精度较好,运算时间比基于CPU的运算时间快2.7~7.6倍。     

N3LDG: 一种轻量级自然语言处理深度学习库

提出一种用于自然语言处理的轻量级深度学习库N3LDG, 可以支持动态地构建计算图, 并能自动地批量化执行计算图。实验显示, 当训练卷积神经网络、双向LSTM和树结构LSTM时, N3LDG都能高效地构建与执行计算图; 当使用CPU训练上述模型时, N3LDG的训练速度优于PyTorch; 当使用GPU训练卷积神经网络和树结构LSTM模型时, N3LDG的训练速度优于PyTorch。     

高性能计算中的亚式期权蒙特卡罗加速方法

研究蒙特卡罗控制变量方法在CPU(central processing unit)集群和GPU(graphic processing unit)计算环境中的实现问题.以离散取样的随机波动率下的算术平均亚式期权为例,选取合适的控制变量,分别研究了在CPU集群和GPU计算中算法与硬件并行加速两者的运算效率,并讨论了模型参数的变化对计算结果的影响.数值试验表明采用算法与硬件加速相结合的方法可以极大提高计算效率、缩短运算时间.     

基于Fermi架构的超声图像自动增益补偿并行算法

 在医学超声成像系统中由于超声波在人体组织内传播会发生衰减,需要对超声图像进行有效的增益补偿,使超声图像的显示效果更好。但大多数自动增益补偿算法在处理时涉及大量的复杂计算,成为临床实时成像系统中的一大性能提升瓶颈,为此提出了一种基于高性能并行计算平台Fermi架构图形处理单元(GPU)的自动增益补偿并行处理算法。本算法主要的处理流程有数据预处理、区域类型检测、组织强度计算、二次曲面拟合以及自适应增益补偿等部分,核心的并行算法设计包括了粗粒度的并行均值滤波、局部方差系数的并行计算、优化的矩阵转置并行实现以及基于LU分解的粗粒度的矩阵求逆的并行实现等方面。数据测试结果显示,与基于CPU的实现相比,采用Fermi架构的GPU处理不仅可以得到完全一致和较好的增益补偿效果,而且可以取得较大的加速效果,满足实时系统需求,对512×261的图像数据能够达到427帧/s的高帧率,速度提高了大约267倍。     

基于多GPU加速的各向异性弹性波正演模拟

比较分析了在不同网格大小介质模型情况下,分别采用串行计算、CPU 16个线程并行计算和4块GPU并行计算进行各向异性弹性波动方程正演模拟的执行时间差异。发现在网格点为2563的大模型上,用4块GPU的并行模拟计算相对16线程并行计算与串行计算的加速分别为30倍与156倍。表明多GPU并行算法可以显著缩短数值模拟时间,而且模型网格越大,加速效果越显著。因此,在单机环境下进行大尺度模型的各向异性弹性波正演模拟,采用多GPU并行计算方式是一个合适的加速选择。     

关于CPU＋GPU异构计算的研究与分析

在PC技术领域,CPU和GPU始终是相辅相成,在二者已经发展到出现新的瓶颈时,＂结合＂也许是明智的解决方案,而关于整合CPU和GPU的方案就一直被人们所津津乐道。本文研究了CPU＋GPU的异构化计算算法的优势和未来应用的可能性,特别是随着通用计算程序接口（OpenCL）的发布,CPU＋GPU的异构化计算这种看起来像是CPU和GPU混合体的出现,相信这将使计算机处理器又将迈上一个新台阶,这种异构化成就的是更加高性能,更加高性价比的处理器,而这必将掀起GPU和CPU革命的高潮。     

二维FFT在GPU上的并行实现

FFT算法是高度并行的分治算法,因此适合在GPU（Graphics Processing Unit,图形处理器）的CUDA（Compure Unified Device Architecture,计算统一设备体系结构）构架上实现．阐述了GPU用于通用计算的原理和方法,并在Geforce8800GT平台上完成了二维卷积FfTr的运算实验．实验结果表明,随着图像尺寸的增加,CPU和GPU上的运算量和运算时间大幅度增加,GPU上运算的速度提高倍数也随之增加,平均提升20倍左右．     

面向CPU+GPU异构计算的SIFT

依据图形处理器(GPU)计算特点和任务划分的特点,提出主从模型的CPU+GPU异构计算的处理模式.通过分析和定义问题中的并行化数据结构,描述计算任务到统一计算设备架构(CUDA)的映射机制,把问题或算法划分成多个子任务,并对划分的子任务给出合理的调度算法.结果表明,在GeForce GTX 285上实现的尺度不变特征变换(SIFT)并行算法相比CPU上的串行算法速度提升了近30倍.     

基于CUDA架构并行算法的带地形AMT二维反演实现与应用

并行计算是提高音频大地电磁（audio-frequency magnetotelluric method,AMT）数据反演效率的有效途径。本文在统一计算设备架构(compute unified device architecture,CUDA) 下开展带地形的AMT数据二维反演并行算法研究,旨在利用GPU强大的计算能力及并行计算技术实现高精度、快速度的AMT数据二维反演。首先利用有限元和自适应正则化反演算法实现AMT数据二维反演的串行化计算;然后在PGI Visual Fortran+ CUDA5.5环境下编写基于CPU+GPU的CUDA并行代码,将正演中的频率循环、反演中的模型灵敏度矩阵计算和反演方程正则化求解部分进行并行化处理;通过不同复杂程度的理论模型正反演模拟验证了该并行算法的有效性和准确性。不同模型和不同模式下的数值模拟结果对比表明,基于CPU+GPU的CUDA并行算法相较于传统的CPU串行算法,在灵敏度矩阵计算和反演方程正则化方面耗时更少,加速比最高可达10倍以上。最后将该并行算法应用于某矿区实测AMT数据的二维反演中,取得了较好的应用效果。